基于multiomics的特征提取和选择用于预测肺癌生存率
Roman Jaksik1, Kamila Szumała2, Khanh Ngoc Dinh3
1Department of Systems Biology and Engineering, Silesian University of Technology, 44-100 Gliwice, Poland.
International journal of molecular sciences
|April 13, 2024
概括
这项研究提高了使用多omics数据和机器学习的肺癌生存预测. 新的特征提取技术确定了关键的分子特征,以准确预测患者的存活率.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 肺癌对全球健康构成重大负担,往往是晚诊断的.
- 准确预测患者的生存率对于有效的治疗策略至关重要.
- 多omics数据为癌症的分子复杂性提供了一个全面的视图.
研究的目的:
- 为了提高肺癌存活率预测的准确性.
- 开发用于多omics数据的新型特征提取和选择方法.
- 为了确定与患者生存相关的强大的分子特征.
主要方法:
- 利用TCGA和CPTAC-3肺腺癌队列的基因表达,甲基化和突变数据.
- 应用基因组聚合作为突变和副本数变异数据的特征提取技术.
- 开发并验证了机器学习模型,用于使用选择的分子特征进行2年生存预测.
主要成果:
- 从TCGA数据中识别了32个关键分子特征,在2年生存预测模型中实现曲线下的面积 (AUC) 为0.839.
- 在独立的CPTAC-3数据集上验证了模型,通过嵌套交叉验证获得了0.815的AUC.
- 证明了所识别的特征和预测模型的稳定性和通用性.
结论:
- 多omics数据与先进功能工程的整合显著提高了肺癌生存预测的准确性.
- 鉴定的分子特征为开发更精确的预后工具提供了坚实的基础.
- 这种方法有望改善肺癌护理中的临床决策和患者管理.
